Ces travaux portent sur la simulation de l’évolution des paramètres physiologiques d’un patient virtuel au bloc opératoire, en réaction aux actions d’un apprenant et d’une équipe médicale virtuelle. Pour cela, nous avons étendu l’approche du raisonnement à partir de cas, à des cas décrits par des traces d’événements et des séries temporelles multivariées, et où la prédiction est aussi une série temporelle multivariée. Le test de trois instanciations de cette approche nous a permis de conclure au réalisme de la simulation dans chacun des cas. Par ailleurs, nous avons proposé un modèle de représentation synthétique du déroulement d’une chirurgie, à partir des données d’une cohorte de patients. Pour obtenir de telles cohortes, nous proposons une stratégie combinant deux approches de clustering et utilisant un critère de complexité. Ce critère a été validé au cours d’expérimentations préalables sur des données simulées. Ce modèle de représentation synthétique original, annoté par des séries temporelles, permet un contrôle de sa complexité ainsi que la simulation d’un patient virtuel avec un réalisme similaire aux précédents types de simulation. Cette représentation synthétique annotée représente de plus un intérêt pour l’anonymisation de ces données temporelles complexes. La construction automatisée de ces simulations repose sur l’exploitation des données d’anesthésie collectées lors de chirurgies. L’exploitation de ces données étant réglementée, nous avons construit un simulateur de données réalistes. Nous avons montré que cette approche inédite, basée sur l’expertise de soignants en anesthésie, fournit bien des séries temporelles réalistes.